1. Nauka
    2. /
  2. Kursy
    3. /
  3. Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Connected

ćwiczenie

GridSearchCV dla złożoności modelu

W ostatnim slajdzie zobaczyłeś, że większość klasyfikatorów ma jeden lub więcej hiperparametrów kontrolujących ich złożoność. Wiesz już też, jak je dostrajać za pomocą GridSearchCV(). W tym ćwiczeniu doskonalisz tę umiejętność. Poeksperymentujesz z:

  • Liczbą drzew, n_estimators, w RandomForestClassifier.
  • Maksymalną głębokością, max_depth, drzew decyzyjnych używanych w AdaBoostClassifier.
  • Liczbą najbliższych sąsiadów, n_neighbors, w KNeighborsClassifier.

Instrukcje 1/3

undefined XP
  • 1

    Zdefiniuj siatkę parametrów zgodnie z komentarzem w kodzie i utwórz obiekt siatki z RandomForestClassifier().

  • 2

    Dostosuj kod, aby zoptymalizować n_estimators dla AdaBoostClassifier().

  • 3

    Dostosuj kod, aby zoptymalizować n_neighbors dla KNeighborsClassifier().